一种光散射乳腺诊断系统

技术领域：

本发明属于医疗设备技术领域，具体涉及一种光散射乳腺诊断系统。

背景技术：

光散射成像(DOT)技术是一种非侵入性、无辐射的乳腺诊断方法，它利用光的散射和吸收特性，通过测量乳腺组织内部的光传输和反射，来获取乳腺组织的结构和功能信息。

DOT技术的逆向问题求解，是利用乳腺组织边界光流量重建组织光学参数的重要环节，但是其呈现的高度病态性常常导致DOT的精度降低。为了减少病态性，人们通常采用深度学习的方法建立被测组织光学参数与边界光流量数值之间的非线性映射关系。然而，基于深度学习的方法收敛速度慢、训练时间长，并且存在一定的误差，导致对乳腺组织的重建存在时间长和精度差的问题。

发明内容：

为解决上述技术问题，本发明提供一种光散射乳腺诊断系统，通过采集已知乳腺组织光学参数与其测量到的边界光流量数据，构建二者之间的BP人工神经网络模型，模型采用多项式拟合模型自定义输入的激活函数，加快模型训练的收敛速度，增加了模型精度。

本发明的目的可以通过以下技术方案实现：

本发明提供了一种光散射乳腺诊断系统，包括光数据采集系统、数据建模系统和图像输出系统，其中：

光数据采集系统，用于采集已知待测乳腺组织的光学参数和组织边界光流量数据，并传输到数据建模系统；

数据建模系统，用于建立组织光学参数与边界光流量之间的人工神经网络模型，并将模型传输到图像输出系统；

图像输出系统，用于利用模型对新采集的光数据进行预测，并根据预测结果，输出被测乳腺组织的光学参数分布。

进一步地，所述的光数据采集系统中，所述光学参数为吸收系数，其公式为：

μ

式中，μ

进一步地，所述的数据建模系统中，所述人工神经网络为BP人工神经网络，包括以下步骤：

A1、确定模型结构：确定神经网络的层数和每层的神经元数量，包括输入层、隐藏层和输出层；

A2、确定激活函数：采用多项式拟合模型确定乳腺组织边界光流量和光学参数之间的函数表达式，并将该公式作为人工神经网络的激活函数。

A3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；

A4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；

A5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；

A6、重复迭代：重复进行步骤A3至步骤A5，直到达到预设的误差阈值时停止；

A7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用绝对偏差评估模型成像的重建能力。

进一步地，步骤A1中，所述的模型结构，输入层为乳腺组织边界光流量，输出层为光学参数，隐藏层层数为1层，输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，神经元输出的计算公式如下：

式中，y为神经元输出；x

进一步地，步骤A2中，所述的确定激活函数，所述多项式拟合模型，包括以下步骤：

B1，确定模型结构：确定模型的表达式，包括自变量和因变量的选择；

B2，调整模型参数：通过比较不同参数的模型拟合度，确定最佳参数的模型。

进一步地，步骤B1中，所述的模型结构是以乳腺组织边界光流量为自变量，光学参数为因变量，其表达式为：

z＝a

式中，z为光学参数；t为边界光流量；a

进一步地，步骤B2中，所述的调整模型参数，是利用AIC准则比较不同阶数n的模型拟合度，以确定模型的最佳阶数，并确定使模型残差平方和最小的拟合参数。

进一步地，步骤A3中，所述的前向传播，包括以下步骤：

C1、计算模型隐藏层的输出，其公式为：

式中，y

C2、计算模型输出层的输出，其公式为：

式中，p

进一步地，步骤A4中，所述计算误差，公式为：

式中，E为输出层单元误差函数；t

进一步地，步骤A6中，所述的反向传播，包括以下步骤：

D1、利用误差函数对输出层单元的连接权重和偏置求偏导；

D2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；

D3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：

w

式中，w

进一步地，步骤A7中，所述的绝对偏差，计算公式为：

式中，ABE为绝对偏差，ABE越小表示重建图像的吸收系数越接近真实值；x

本发明的有益效果：

通过多项式拟合模型确定待测乳腺组织的边界光流量和光学参数数据之间的函数表达式，并利用该公式作为激活函数，构建二者之间的BP人工神经网络模型，加快了模型训练的收敛速度，提高了模型模拟的精度，本发明有效减少DOT技术逆向问题求解的病态性，并解决DOT技术对乳腺组织的重建过程中存在的时间长和精度差的问题。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步地说明。

图1为本发明中一种光散射乳腺诊断系统的结构示意图。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。

请参阅图1，本发明提供了一种光散射乳腺诊断系统，包括光数据采集系统、数据建模系统和图像输出系统，其中：

光数据采集系统，用于采集已知待测乳腺组织的光学参数和组织边界光流量数据，并传输到数据建模系统；

数据建模系统，用于建立组织光学参数与边界光流量之间的人工神经网络模型，并将模型传输到图像输出系统；

图像输出系统，用于利用模型对新采集的光数据进行预测，并根据预测结果，输出被测乳腺组织的光学参数分布。

进一步地，所述的光数据采集系统中，所述光学参数为吸收系数，其公式为：

μ

式中，μ

在实施例中，优选吸收系数作为光学参数，表示单光子在组织体内的单位路径内被吸收的概率，在相同波长的光入射情况下，组织吸收系数越大，吸光能力越强。此外，散射系统可以作为备选的光学参数，其表示单个光子在单位距离内被组织体散射的概率。

进一步地，所述的数据建模系统中，所述人工神经网络为BP人工神经网络，包括以下步骤：

A1、确定模型结构：确定神经网络的层数和每层的神经元数量，包括输入层、隐藏层和输出层，其中输入层为乳腺组织边界光流量，输出层为光学参数；

A2、确定激活函数：采用多项式拟合模型确定乳腺组织边界光流量和光学参数之间的函数表达式，并将该公式作为人工神经网络的激活函数。

A3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；

A4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；

A5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；

A6、重复迭代：重复进行步骤A3至步骤A5，直到达到预设的误差阈值时停止；

A7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用绝对偏差评估模型成像的重建能力。

进一步地，步骤A1中，所述的模型结构，输入层为乳腺组织边界光流量，输出层为光学参数，隐藏层层数为1层，输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，神经元输出的计算公式如下：

式中，y为神经元输出；x

进一步地，步骤A2中，所述的确定激活函数，所述多项式拟合模型，包括以下步骤：

B1，确定模型结构：确定模型的表达式，包括自变量和因变量的选择；

B2，调整模型参数：通过比较不同参数的模型拟合度，确定最佳参数的模型。

进一步地，步骤B1中，所述的模型结构是以乳腺组织边界光流量为自变量，光学参数为因变量，其表达式为：

z＝a

式中，z为光学参数；t为边界光流量；a

进一步地，步骤B2中，所述的调整模型参数，是利用AIC准则比较不同阶数n的模型拟合度，以确定模型的最佳阶数，并确定使模型残差平方和最小的拟合参数。

进一步地，步骤A3中，所述的前向传播，包括以下步骤：

C1、计算模型隐藏层的输出，其公式为：

式中，y

C2、计算模型输出层的输出，其公式为：

式中，p

进一步地，步骤A4中，所述计算误差，公式为：

式中，E为输出层单元误差函数；t

进一步地，步骤A6中，所述的反向传播，包括以下步骤：

D1、利用误差函数对输出层单元的连接权重和偏置求偏导；

D2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；

D3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：

w

式中，w

本实施例中，以多项式拟合模型确定的表达式作为神经网络的自定义激活函数，该激活函数需要具有可导性，确保在神经网络训练的反向传播过程中能够正确计算梯度，并将其应用于参数更新。由于自定义的激活函数增加了自变量与因变量之间关联性，当自变量作为输入神经网络模型后，所输出的预测值与真实值较为接近，误差较小，因此模型训练的迭代次数大大减少，进而加快了收敛速度，且提高了模型的预测精度。

进一步地，步骤A7中，所述的绝对偏差，计算公式为：

式中，ABE为绝对偏差，ABE越小表示重建图像的吸收系数越接近真实值；x

本实施例中，需要先基于一定的经验数据完成系统模型的构建，再将系统应用到实际工作中，该系统的工作流程为：

S1、光数据采集系统对待测乳腺组织的边界光流量进行采集，并传输到数据建模系统中；

S2、数据建模系统利用光数据采集系统采集的光数据构建多项式拟合模型，并对多项式参数调整得到对应的函数表达式，将表达式作为激活函数，训练BP人工神经网络模型，并将训练好的模型传输到图像输出模型；

S3、图像输出系统利用训练好的模型对新采集的光数据模型进行预测，并根据预测结果，重建被测乳腺组织的光学参数分布。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。